به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه « ریزش مشتری » در نشریات گروه « صنایع »

تکرار جستجوی کلیدواژه «ریزش مشتری» در نشریات گروه «فنی و مهندسی»
  • سپیده چهره*، علی سرآبادانی

    ریزش مشتری یک اصطلاح مالی است که به از دست دادن مشتری اشاره دارد؛ امروزه با توجه به تعداد زیاد بانک ها، ریزش مشتریان از یک بانک به بانک دیگر تبدیل به دغدغه جدی برای بانک های مختلف شده است. بنابراین در این مقاله که برای مشتریان یک بانک گردآوری شده است، می توان با توجه به رفتار و ویژگی های مشتریان قبل از وقوع ریزش، به شناسایی مشتریانی که احتمال ریزش بالایی دارند پرداخت و با ارائه پیشنهادهایی آن ها را حفظ نمود. در بازاریابی همه بر این امر توافق دارند که حفظ یک مشتری از جذب یک مشتری جدید بسیار کم هزینه تر است، از این رو این مقاله به معرفی فازهای مختلف رویکرد پیش بینی مشتری ریزشی با کمک یادگیری ماشین پرداخته است. روش پیشنهادی ترکیبی از الگوریتم های جنگل تصادفی و بهینه سازی جایا می باشد و ریزش مشتری را بر اساس ویژگی های مختلف مشتری مانند سن، جنسیت، جغرافیا و موارد دیگر پیش-بینی می کند. نتایج حاصل از مدل پیشنهادی در مقاله به ترتیب در معیارهای Precision ، Recall و Accuracy برابر مقادیر91.41 درصد، 95.66 درصدو 93.35 درصد می باشد.

    کلید واژگان: الگوریتم جنگل تصادفی, بهینه سازی جایا, ریزش مشتری, یادگیری ماشینی}
    Sepideh Chehreh *, Ali Sarabadani

    Customer churn is a financial term that refers to the loss of a customer; Today, due the large number of banks , the loss of customers from one bank to another has become a serious concern for different banks. Therefore, in this article, which has been compiled for the customers of a bank , it is possible to identify customers who have a high probability of falling by considering the behavior and characteristics of the customers before the fall occurs and to keep them by providing suggestions. In marketing, everyone agrees that keeping a customer is much less expensive than attracting a new customer, this article introduces the different phases of the approach of predicting customer churn with the help of machine learning. The proposed method is a combination of random forest algorithms and Jaya optimization, and customer dropout is based on different characteristics. Customer like age, Gender, graphs and cases It predicts more . The results of model in the article are 91.41%, 95.66% and 93.35% respectively in Precision , Recall and Accuracy criteria.

    Keywords: customer churn, Machine Learning, random forest algorithm, site optimization}
  • برای برنده بودن در رقابت جهانی، شرکت ها نیازمند بازشناسی و پایش رفتار مشتریانشان هستند تا رفتار و خواسته های آنها را زودتر از رقبایشان برآورد کنند. این تحقیق به دنبال شناسایی ویژگی هایی است که ما را به تحلیل ریزش مشتری سوق می دهد. به همین منظور، رفتار 3150 مشتری یکی از اپراتورهای مخابراتی ایرانی در طول یک سال شناسایی شده است و روند تغییرات آنها با استفاده از یک مدل LLNF خصوصی سازی شده تحلیل شده است. برای انجام این امر، الگوریتم درخت مدل خطی محلی (LOLIMOT)، که مزایای شبکه های عصبی مدل درخت تصمیم گیری و مدل های فازی را درخود جای داده است، به کار گرفته شده است. نتایج بیانگر آن است که نارضایتی مشتری، استفاده مشتری از خدمات و ویژگی های آماری وی تاثیر روشن و معنی داری بر تصمیم وی برای ماندن در سیستم و یا خروج از سیستم دارد. علاوه بر این، فعال بودن یا غیر فعال بودن وضعیت اشتراک مشتری تاثیر میانجی گرانه در باقی ماندن یا ریزش وی از سیستم دارد.
    کلید واژگان: پیش بینی, LLNF, منطق فازی, LOLIMOT, شبکه عصبی, تامین کنندگان خدمات تلفن همراه, ریزش مشتری}
    Mehdi Fasanghari, Abbas Keramati
    For winning in global competition، companies need to recognition and monitoring of customer''s behavior to forecast their behavior and desires earlier than competitors. This research tries to recognize the attributes which lead to customer churn. For this، behavior of 3150 subscribers of an Iranian mobile operator، has observed during one year and trends of them has analyzed by a customized LLNF model. For this purpose، the application of the locally linear model tree (LOLIMOT) algorithm، which integrates the advantage of neural networks، tree model and fuzzy modeling، was experimented. Results suggest that dissatisfaction of customer، his/her usage from services and demographic attributes have significant effect on decision to churn or retention. Furthermore، the active or inactive subscriber situation has mediation effect on his/her retention.
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال